互联网给人们带来便利的同时也带来了威胁,其爆炸式发展使得人们面临的网络威胁也越来越多,网络安全问题日益凸显。入侵检测作为一种主动性的动态安全防御手段,是传统安全技术的有力补充。但是,随着网络数掘量的规模不断增大,信息过量使得入侵检测技术面临着巨大的挑战,如何有效降低入侵检测的计算消耗,提高检测性能就成了入侵检测技术所要面对的最直接的问题。
　　 特征选择技术是随着大规模机器学习发展起来的,它的目的就是从数据的原始特征集中找出最优子集。它能通过一系列的子集搜索、子集评估过程,找出最相关的特征,剔除冗余的特征,降低数据维度,提取最有用的信息,从而降低分类算法的计算复杂度,提高分类算法的效率。
　　 粒子群算法是一种基于群体智能的进化计算技术,它在动态寻优过程中具有收敛速度快、计算过程简单等特点。将它用在特征选择过程的子集搜索过程,能有效地缩短搜索过程,提高特征选择的效率。离散的二进制粒子群算法拥有和粒子群算法同样的优点,用在特征选择上时,它还不需要用户预先确定最优特征子集的大小。但粒子群算法也有一个缺点是它有可能陷入局部最优。
　　 本文通过仔细分析特征选择的过程和离散型二进制粒子群算法的优缺点,对二进制粒子群算法进行了相应改进,并在此基础上应用二进制粒子群算法和最小二乘支持向量机形成了一种特征选择方法,最后将其应用在入侵检测上,实验表明该方法能够提高入侵检测的效率。